Mer statistik

Säkert ingen som missat att tisdag är den bästa börsdagen rent statistiskt sett, men tänkte ändå lägga upp statistik på avkastningen per veckodag och även per vecka i månaden.

Veckodag (0=måndag)

 Vecka i månaden(1 = första veckan)

Hade trott att 3dje veckan skulle vara den med högst avkastning, har sett en del teorier tidigare om att det skulle bero på optionslösen som sker på den tredje fredagen i varje månad. 

Statistik

På senare dagar har jag sett en del kalendereffekter som publicerats, bland annat på udda/jämna veckor. Samuelsson hade ett par länkar, här och här.

Kände mig tvungen att testa själv och mina resultat är lite annorlunda. Främst för att jag körde över en längre tidsperiod. Kolla FTSE tex, deras test började 2010 vilket är cherry pickin så det sjunger om det. Jag vet inte hur dom gjorde med helgerna i deras test men jag använde close to close (fre-fre). Testade även några andra tillgångar än aktier.Dollar, Bonds och Olja ser mest intressant ut. Enjoy.

TED with Jim Simons

Pang

Där kom det ett riktigt ras på börserna. QQQs va ner 15% i öppningen, AAPL ca 12%. Sjukt. Nu har dom hämtat igen allt dessutom. Helt galet.

Svenska OMX slutade kring -4,5% och är dessutom ner många dagar i rad, bra chans för uppgång härifrån så jag hedgade faktiskt bort mina korta positioner med några longs. Ligger alltså nettolång nu och väntar på en uppstuds, skulle vi få några % upp så kommer jag sälja och dessutom öka på mina korta positioner. Ganska övertygad om att trenden har vänt nu, men jag har haft fel förut.

Hur som, gjorde ett snabbt backtest på OMX, ner minst -3% = köp till stängning, sälj efter 3 dagar.
Lite drygt 60% chans att vi står högre om 3 dagar, med en genomsnittlig vinst på 1.2%

Now we are cooking with peanut oil!

Har jobbat lite mer med att få ordning på Python och hur man skulle kunna använda programmet för att göra backtest och även optimera parametrar. Kan verkligen rekommendera TradingWithPython.Blogspot.com och TradingWithPython.com. Jev har byggt upp ett eget paket som tillägg och även kodat ett exempel för backtesting. Efter många år i det svenska skolväsendet är man expert på "copy and paste" så det var ganska lätt att få till en egen variant.

Det jag gillar mest är att man kan göra en så kallad "heat map" där man kan se hur resultatet (mätt som Sharpe-kvot i detta fall) ändras för olika kombinationer av variablerna.

Nedan är ett test på en tradingstrategi för WFC som jag använt ett tag. Mina värden som jag har använt är 0.2 för variabel 1 och 0.5 för variabel 2. Som ni ser är resultaten ganska bra för en bred range kombinationer i det nedre högra hörnet. Det är ett bra tecken och kan tolkas som att strategin är hyfsat "stabil"

Optimeringen är gjord på data mellan 2000-2014. Optimala värden var 0.32 och 0.69, inte så långt ifrån vad jag har använt.

För out-of-sample 2014 -2015 blir resultatet följande

Programmering

För att kunna göra bra research måste man gå igenom stora mängder data. Oftast har jag har jag använt excel till detta men det finns helt klart några nackdelar såsom att det är tidskrävande att hämta hem och organisera data. Det går säkert att skriva några rader i VBA som påskyndar allt men jag har ett excel från 1800-talet plus att jag har märkt en del problem när man kör svenska/amerikanska inställningar i både scriptkod och program.

I vanliga fall använder jag Nordnets Autotrader om jag vill bygga strategier vilket fungerar bra men även där finns några brister. Till exempel finns bara data på amerikanska aktier från 2012 och endast på vissa utvalda tickers. Dessutom är det ganska krångligt att göra enkla hypotesprövningar, en grej jag gillar att göra är tex. att jämföra intradagsavkastningen mot den avkastning som skapas över natten.

Jag har länge önskat lära mig riktig programmering och har försökt läsa på lite om vilket språk man bör börja med. Python verkar vara ett av de lättare språken samt omtyckt av många (gratis och open source också). Min gamla propfirma där jag började min tradingkarriär använder också Python och har även byggt en helt egen tradingplattform i Python. Nu har jag iaf laddat ner programmet och börjat leka runt lite. Jag är fortfarande ute på djupt vatten och vet inte exakt vad jag gör alltid. Hur som så fick jag fram några snygga grafer på "overnight vs intraday returns" och kan nu enkel jämföra olika tickers genom att bara byta symbol i koden, tar 3 sekunder jämfört med någon minut om jag skulle göra det för hand via yahoo finance och excel. Här är ett exempel på GLD, en guld-ETF. Som ni ser skapades i stort sett all avkastning "overnight" under uppgångsfasen. Viktig info om man försöker bygga ett tradingsystem.

Trading Research - RSI

Det är ofta svårt att objektivt bedöma huruvida en teknisk indikator tillför något värde genom att bara titta i en graf. Kanske duger det som en första sortering men sedan bör man gå vidare och testa med riktiga siffror. En enkel grej jag kan rekommendera är "bucketing" där man delar in datat in mindre "buckets". Här tänkte jag lite snabbt gå igenom RSI, Relative Strength Index och hur det kan användas på SPY (ETF för S&P500).

Här är en graf över SPY med RSI från 2005-2015. Jag valde RSI(5) eftersom jag gillar affärer med lite kortare tidshorisont, annars är väl 14 det vanligaste värdet för RSI.

RSI pendlar mellan 0 och 100 där låga värden indikerar översålda nivåer och höga överköpta. 

Efter att ha delat in data i 5st buckets om 20 enheter, där 0-20 är bucket nr1, så får vi detta resultat.

Genomsnittlig avkastning nästa dag per intervall.

1. =  0,36%
2. =  0,09%
3. =  0,01%
4. = -0,01%
5. = -0,02%

Genomsnittlig avkastning för alla dagar är 0,03%.

Om vi ökar tidshorisonten från 1 till 3 dagar får vi följande resultat. 

1. =  0,45%
2. =  0,23%
3. =  0,10%
4. = -0,03%
5. = -0,02%

Genomsnittlig avkastning för alla tredagarsperioder är 0,09%

Efter detta enkla test verkar det som att RSI kan användas för att "förutspå" kommande utveckling på SPY. Om du använder en teknisk indikator så tycker jag verkligen att du ska göra ett liknande test. Många kastar bara på ett moving average, MACD  eller några Fib nivåer utan att veta om de gör någon nytta eller inte

Vill man lära sig mer om vad som fungerar inom trading så rekommenderar jag Samuelssons Rapport, där finns mycket bra material om tex Daytrading. 

Automatiserad Trading

Förra inlägget var kanske lite dystert men det finns ju en anledning att jag har lagt mycket tid på att utveckla idéer för automatisk eller mekanisk trading. Sedan årsskiftet har nämligen mina mekaniska modeller varit de som presterat bäst och min manuella handel har varit väldigt medioker. Här är de verkliga resultaten av min mekaniska handel.

Det här är över förväntan och med i takt med att antalet trades ökar så borde resultatet krypa ner mot en PF på 1.6-1.7 om mina backtest är hyfsat korrekta. Winrate långsiktigt borde ligga på ca 60%. Den faktiska avkastningen är inte så stor eftersom jag har testat dessa modeller med minsta möjliga insats. Det är ändå väldigt inspirerande när man ser att strategierna fungerar och det gör det lite lättare att fortsätta dyka ner i mer data.

Backtesting och överoptimering

Jag har den senaste tiden lagt rätt mycket tid på backtesting, att gå igenom statistik och försöka hitta nya edger. En grej jag alltid brottas med är huruvida det jag hittat bara är ett resultat av att jag har "misshandlat" data för mycket. Det finns några citat i stil med "if you torture the data long enough, it will confess" som beskriver fenomenet väl.

Jag skrev för ca en månad sedan om en ny idé jag hade med fundamental data, läs här. Så här en månad senare är det bara att konstatera att det fanns en hel del curve-fitting och överoptimering i det testet. Efter en månad ser out-of-sample ut så här:

Not so hot...

Ändå bygger strategin inte på några komplicerade formler eller 50 olika parametrar med exakta värden. Den var tvärt om, väldigt enkel, få parametrar med vad jag ansåg ganska logiska förklaringar till varför de borde vara relevanta. Just därför är det så viktigt att inte "hoppa rakt in" och börja handla en strategi direkt utan att man observerar den ett tag för att se om det verkligen fungerar.

Jag tittade på ett webinarium med Trade-Ideas(programmet jag använder) där dom visade en strategi som verkade rätt lik en idé jag har försökt få fungera under ett tag. Resultatet var helt sjukt bra så jag antog redan från början att dom hade överoptimerat strategin. Det borde ändå finnas en del värdefull information tänkte jag och skickade iväg ett mail med lite fler frågor angående vilka parametrar som var med. Jag fick faktiskt till min förvåning hela strategin med alla parametrar och insåg därmed att den var dömd att misslyckas (ingen ger bort något så värdefullt om den faktiskt fungerade).  Så här såg resultatet ut:

Hur man får fram ett statistiskt beslutsunderlag

Andrew Falde från LessThanRandom samt SMB Capital visar hur man använder Excel för att få fram värdefull statistik ur en stor mängd börsdata. Väldigt bra som en liten grundkurs om man ny på Excel.

Hur viktig är Januari?

Mycket snack om hur viktig januari är för börsens prestation de resterande månaderna, S&P stängde ju negativt för januari. Jag satte ihop en liten modell som ligger investerad mot börsen med enda villkoret att om januari är negativt så är modellen likvid tills dess att nästa januari är positiv. Om modellen är likvid erhålls en ränta om 2,5% på årsbasis. Verkar fungera bra på S&P men sämre på OMX, kanske krävs mer data för att dra någon slutsats dock.

S&P 500 från 1950-2015

S&P 500 (SPY) 1992-2015

OMX 1992-2015

Backtest på Fundamental data

I helgen har jag jobbat på att hitta nya potentiella strategier för min trading. En grej som jag provade var att lägga till filter för fundamental data. Tidigare har jag bara testat med hjälp av tekniska och statistiska variabler. Joel Greenblatt från Gotham Capital använder en kvantitativ modell för att analysera fundamental data och dessutom balanserar de om portföljen varje dag(!). Det finns en bra intervju med honom här. Om det fungerar för en av väldens största hedgefonder så varför inte testa?

Den här strategin är gjord för daytrading och tar en position under de första 120 minuterna av dagen och stänger positionen vid dagens slut. Tanken är att gå kort i bolag som är "konkursmässiga". Utan att gå in på detaljer innebär det hög skuldsättning, dåligt med cash och negativt EPS. Så här såg resultatet ut för ett backtest över de senaste 3 månaderna.

Biotech Madness

Bioctech-aktier har gått banans de senaste dagarna i USA, tonvis med data/nyheter har kommit ut och det känns som att varje dag finns det en handfull bolag som är upp allt mellan 20-100 %.

Så här så min "Watchlist" ut innan öppningen igår, normalt kanske jag brukar ha mellan 5-10 aktier.

Jag tänkte gå igenom några av dom trades jag tog igår.

1) NBIX, när Biotechs har ett stort gap letar jag efter antingen en "Gap and Go" eller "Gap fill". Först såg det ut som NBIX skulle göra en Gap and Go men sedan kom det tecken på svaghet. Aktien gör en ny "high" över 29 och blir såld kraftigt ner till 27.50. Så ska inte en stark aktie se ut, antingen ska den lyfta högre direkt över 29, alternativt så ska den inte komma tillbaka mer än till 28.50ish. När den började hålla under 28 som var tidigare support och Swing-low så gick jag kort. Target var tidigare LOD(low of day) och eventuellt mer (man ska inte underskatta hur långt dessa aktier kan röra sig). Jag täckte mina shorts strax över 27.10. Jag försökte korta igen när den bröt igenom 27 men jag fick rejält med slippage (typ 30c) så jag kastade ut dom snabbt som satan med ca 10c förlust.

2) ARNA, aktien var upp över 70% igår och gjorde en "float rotation" som jag har skrivit om tidigare. 6 är en gigantisk nivå på en längre time frame och en nivå där jag tror det kan finnas aggressiva säljare. Dagen innan hade ARNA toppat ur precis vid 6 så jag ville se om det kunde bli en rekyl ner. Jag började korta i pre-market men när öppningen kom så var aktien alldeles för spretig och jag blev utstoppad flera gånger. 

OMXS30 Rocketship

OMX hade en riktigt fin dag igår men frågan är om man ska köpa eller sälja en så pass stark uppgång?

Här är oddsen för att köpa vid +2% eller mer, sälj efter 1 respektive 3 dagar.

Det verkar som att det är bättre att vara säljare på starka börsdagar, även om merparten av den negativa avkastningen kommer ifrån finanskrisens dagar.

Market Timing and Dumb Money

Det är ganska välkänt att privatpersoner är riktigt usla på timing av marknaden. Ofta tror jag många tittar tillbaka på de senaste årens avkastning och tar beslut utifrån det, tyvärr innebär det att man troligen kommer köpa när det är som dyrast och sälja när det är som billigast. Ett skämtsamt ordspråk är att man ska sälja aktier när aftonbladet skriver om hur mycket marknaden har gått upp och köpa när dom skriver om senaste tidens ras. Efter att ha läst How actual returns differ from average returns blev jag intresserad av att undersöka hur aktieägandet samspelar med den senaste tidens avkastning. Resultatet är lite skrämmande.

Som ni ser så verkar marknaden toppa ur på ungefär samma nivå av aktieinnehav hos hushållen och vi ligger väldigt nära den nivån. Senaste datapunkten är dock från juni men det borde komma en ny uppdatering under december eller januari som blir väldigt spännande. Vi ska dock vara försiktiga att dra slutsatser med ett sådant litet underlag. Sedan ska man också komma ihåg att det förmodligen hade varit mer relevant med amerikansk data då det knappast är Svenssons aktiespekulationer som styr världens börser. Å andra sidan skulle jag gissa att svenska hushålls agerande kommer vara väldigt likt dom amerikanska eftersom psykologin är den samma och OMX och S&P följer varandra väldigt väl.

Precis som i artikeln ovan så satte jag också ihop en graf med rullande tre, fem och tio års avkastning men jag la dessutom över en graf(log-skala) på S&P för att se eventuella samband. (Data från Yahoo Finance, månadsvis, 1950-2014)

HedgeNordic - Intervju med Excalibur

HedgeNordic bjuder på en läsvärd intervju med Thomas Pohjanen från hedgefonden Excalibur. Fonden har levererat riktigt bra riskjusterad avkastning sedan start.

http://hedgenordic.com/2014/11/pohjanen-excalibur/

Marknadsvärdering och felmarginaler

De tre indexen som jag känner är viktigast för en svensk aktör att följa är S&P500, Tysklands DAX och såklart Sveriges OMX. Samtliga tre har nu fått en rejäl skjuts uppåt efter "minikraschen" förra månaden och därmed återtagit MA200, vilket jag använder för att definiera den långsiktiga trenden(mer om det en annan gång). Jag har varit ganska negativ till aktier eller rättare sagt, värderingen av aktier, under en tid nu och jag trodde vi kunde få en större korrektion när svagheten kom in i oktober. I efterhand är det bara att konstatera att det var fel. Jag hade dock gjort precis samma slutsats om jag skulle få gå tillbaka i tiden och nu tänkte jag förklara hur jag resonerar kring det. Först ska jag bara nämna att på kort sikt är marknaden nu väldigt överköpt, på drygt en månad har S&P klättrat över 13%. Det kanske inte låter så extremt men i årstakt är det över 250%. Såvida man inte tror att börsen kan gå upp 250% på årsbasis kan det nog vara läge att invänta någon form av korrigering. Korrigeringen kan antingen komma genom tid eller pris, dvs antingen så smälter marknaden den här uppgången genom att gå sidledes ett tag eller genom en rekyl nedåt.

På medellång sikt är alla eventuella dippar köpvärda då marknaden återigen är i en stigande trend men på lång sikt tror jag att det kommer ett bättre läge för aktier, därför kommer jag vänta med alla typer av "buy and hold"-investeringar. Anledningen är följande:

Det finns mängder av olika sätt att värdera aktier men eftersom grundtanken med att äga en aktie är att ta del av företagets vinster, så tycker jag det är en ypperlig start. Vanligast är ett enkelt P/E-tal dvs priset för aktien mätt i årsvinsten. Vi använder SPY (ETF för S&P500) som exempel, den handlas strax över 206 $ och P/E-talet för S&P är ganska exakt 20. Med enkel mattematik kan vi då skriva formeln:

Pris = Vinst x P/E-multipel 

Eller

206 = 10,30 x 20

För varje enhet SPY du köper får du alltså 10,30 "vinstdollar". Om nu vinsterna skulle öka under nästa år med, säg 10%, så kommer vinsten per enhet vara 10,3 x 1,1 = 11,33 och således får vi priset på SPY:

11,33 x 20 = 226,6

En ökning av vinsten på 10% ger alltså en avkastning på (226,6/206)-1 = 10%. Om vinsten skulle sjunka med 10% kommer priset alltså också att sjunka med motsvarande. Det finns dock en hake som ni kanske har märkt, vad säger att P/E 20 är rätt multipel att värdera marknaden med? Medeltalet för den amerikanska marknaden under de senaste 100 åren är 15,6 och medianen är 14,51. Vad skulle hända om vinsterna stiger som vi hoppats på, men investerarnas riskvilja sjunker och därmed vill de bara betala P/E 15? Vi räknar.

11,33 x 15 =169,95

Priset sjönk till 169,95 och trots att vinsterna ökade med 10% så blev avkastningen (169,95/206)-1 = -17%.

Well done SEB

Förutom tilldelningen som var minimal, så måste jag säga att Enskilda skötte sig riktigt bra under noteringen av LIFCO. Anledningen att IPOs ofta är lönsamma att "the underwriter" (i detta fall SEB) har matat sina kunder med massa fint säljsnack om hur bra denna investering kommer bli. Ungefär som vår allas favorit Jordan Belfort i Wolf of Wall Street. Om då aktien kollapsar under första dagen skulle det bli väldigt svårt att sälja en ny IPO till kunderna och firmans rykte skulle säkerligen ta sig en smäll. Därför är det inte ovanligt att underwritern ligger och stödköper aktien, vilket också var fallet med LIFCO. Ett extra plus var att dom gick över som säljare i slutet av dagen, troligen för att aktien inte skulle sticka iväg allt för mycket och därmed riskera att kanske rekylera ner inom kort. Det gillar jag, det är ingen mening att trycka upp aktien till ohållbara nivåer dag ett. Nedan ser ni mäklarstatistiken. I början av dagen var Enskilda i stort sett ensamma på köpsidan med lite backup av UBS, i slutet fick dom däremot stöd av andra som SHB och SG varpå ENS började kasta ut ungefär 5 miljoner. All in all, well done SEB.

Tele2 - Buy the dip?

Tele2 har en sur dag och är i skrivande stund -3,2%. Hur har det gått historisk att köpa TEL2 B vid -2,5% eller värre?  Köp vid stängning och sälj vid stängning dagen efter.

Hyfsat, dock kom merparten av vinsten under 2011 och sedan dess har det inte fungerat jättebra.

Att göra enkla backtest kan ge värdefull information, även om man inte handlar "blackbox", dvs helt automatiserat, så får man en bild över hur oddsen ser ut. I det här exemplet ser vi att det är ungefär 50/50 winrate men att den genomsnittliga vinsten är mer än dubbel så stor som den genomsnittliga förlusten. (Obs, datat är inte justerat för utdelning. Några av affärerna kom efter utdelningen men de hade ingen större påverkan på resultatet)

Don't Be The Turkey

Under 1000 dagar matas en kalkon av dess ägare och varje dag bekräftas kalkonens uppfattning om att ägaren är en hygglig människa. Varje dag får kalkonens analysavdelning och risk management team mer bevis för att ägaren älskar kalkoner. Dag 1001 är Thanksgiving och kalkonen får sig en överraskning.

The Turkey Problem - Nassim Taleb